Aprenda a se conectar a fontes de dados em tempo real e a preparar dados de séries temporais para previsão. Você vai buscar dados horários de demanda de eletricidade pela API da EIA dos EUA e construir sua primeira previsão.

Colocando seu modelo de previsão em produção

Arquitetura de um projeto de forecast

Benefícios dos frameworks de experimentação

Revisando os dados de entrada

Fazendo uma requisição à API

Preparando e visualizando os dados

Interpretando visualizações de séries temporais

Trabalhando com um objeto de previsão

Previsão com Modelos de ML

Avaliando o desempenho do forecast

Visualizando o desempenho do forecast

Arquitetura Geral

Descubra os fundamentos de experimentação, incluindo backtesting, avaliação e registro de modelos usando MLflow!

Experimentação

Avaliação de previsões e experimentação

Explorando o processo de experimentação

Fluxo de trabalho da experimentação

Backtesting

Definindo os modelos de previsão

Treinando modelos com backtesting

Visualizando resultados de previsão

Pontuação do modelo

Transformando a saída do backtesting

Criando um ranking de modelos

Registro de modelos com MLflow

Registrando modelos ajustados

Pesquisando resultados de experimentos

Aprenda a construir pipelines de previsão automatizados que atualizam dados e previsões diariamente. Você vai configurar processos de ETL, registrar modelos com MLflow e orquestrar tudo com Airflow. Crie um sistema pronto para produção com validação de dados e logging para monitorar a saúde do pipeline.

Arquitetura de pipeline

Definindo o pipeline de previsão

Ajustando o modelo

Registrando o modelo

Ingestão de dados

Verificações de paridade de dados

Definindo o esquema

Realizando validação de dados

Airflow

Configurando a DAG

Criando a DAG

Definindo a ordem de execução da pipeline

Logs

Monitorando logs de ETL

Monitorando logs de previsão

Configurando a Automação

Descubra os essenciais de deployment em produção, do monitoramento da saúde do pipeline à detecção de drift do modelo. Você vai aprender boas práticas para reprodutibilidade, escalabilidade e manutenção de sistemas de previsão em ambientes reais.

Implantação do pipeline em produção

Opções

Problemas de integridade de dados

Falhas operacionais

Falhas de infraestrutura

O que pode dar errado?

Observabilidade

Monitoramento

Monitoramento vs Observabilidade

Monitoramento de pipeline

Integridade dos dados

Disponibilidade

Reapresentações

Categorizando riscos de API

Criando um plano de mitigação

Model Drift

Calculando um limite e médias móveis

Identificando model drift

Boas práticas

Boas práticas de desenvolvimento

Escalando pipelines de previsão

Parabéns!

Do Deployment à Produção

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python. Este curso avançado percorre todo o fluxo de trabalho de produção — da obtenção de dados e treinamento de modelos ao deployment e monitoramento — usando ferramentas como MLflow e Airflow.

Você vai começar conectando-se a fontes de dados em tempo real e construindo sua primeira previsão com dados de demanda de eletricidade dos EUA. Em seguida, vai explorar os fundamentos de experimentação, incluindo backtesting, avaliação e registro de modelos usando MLflow.

Depois, você vai criar pipelines de previsão automatizados com processos de ETL, registro de modelos e orquestração com Airflow. Por fim, você aprenderá os essenciais de deployment em produção, incluindo monitoramento da saúde do pipeline, detecção de drift do modelo e manutenção de sistemas de previsão em ambientes reais.

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python. Este curso avançado mostra todo o fluxo de trabalho de produção — desde a obtenção de dados e treinamento de modelos até a implantação e monitoramento — usando ferramentas como MLflow e Airflow.

Você vai começar conectando-se a fontes de dados em tempo real e criando sua primeira previsão com dados sobre a demanda de eletricidade nos Estados Unidos. Depois, você vai conhecer os fundamentos da experimentação, incluindo backtesting, avaliação e registro de modelos usando o MLflow.

Então você vai criar pipelines de previsão automatizados com processos ETL, registro de modelos e orquestração Airflow. Por fim, você vai aprender o básico sobre implantação de produção, incluindo monitorar a saúde do pipeline, detectar desvios no modelo e manter sistemas de previsão em ambientes reais.

Introduction to Apache Airflow in Python

Introduction to MLflow

Time Series Analysis in Python

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python.

Projetando Pipelines de Previsão para Produção

Aprenda a projetar, automatizar e monitorar pipelines de previsão escaláveis em Python. 

Parabéns!

Create Your Free Account